DeepSeek-OCR

DeepSeek-OCR（deepseek-ai/DeepSeek-OCR）是 DeepSeek 开源的视觉语言 OCR 模型，全称 “Contexts Optical Compression”。它从“以 LLM 为中心”的视角重新设计视觉编码器，探索视觉-文本压缩的边界，既是专用 OCR 引擎，也是通用 VLM。

它做什么

• 自由 OCR：直接对图片做文字识别。
• 文档转 Markdown：带版面定位（layout grounding），把 PDF/扫描件转成结构化 Markdown。
• 通用图像理解：描述图片、解析图表（Figure parsing）、按引用定位区域（reference localization）。
• 多分辨率档位：原生 Tiny 512²(64 token) / Small 640²(100) / Base 1024²(256) / Large 1280²(400)，动态 “Gundam” 模式可拼接多图。

工程视角

Python 实现（MIT），推理走 vLLM（高吞吐，A100-40G 上 PDF 约 2500 tokens/s）或 HuggingFace transformers（AutoModel）。2025-10-20 首发，2026-01-27 已推出 DeepSeek-OCR2。适合需要把文档/图片高效转文本、又想保留版面结构的场景。

一句话总结

DeepSeek-OCR 是 DeepSeek 开源的视觉语言 OCR 模型：文档转 Markdown、图文识别、图表解析一锅端，多分辨率压缩视觉 token，vLLM 高吞吐，开源可自部署。